Interpolación Mensual Región Piura
Estadística Informática
Obtención de los registros meteorológicos del SENAMHI
La captura de datos fueron obtenidos de la pagina correspondiente a la descarga del SENAMHI.
Información registrada
“year”, “mes”, “dia”, “prec”
1. Integración de datos
1.1 Lectura de las estaciones
# Enumerando las estaciones
L01<-read.table("Ayabaca.txt"); L01$estacion=1
L02<-read.table("Bernal.txt"); L02$estacion=2
L03<-read.table("Chulucanas.txt"); L03$estacion=3
L04<-read.table("Chusis.txt"); L04$estacion=4
L05<-read.table("Hacienda Bigote.txt"); L05$estacion=5
L06<-read.table("Hacienda Sumaya.txt"); L06$estacion=6
L07<-read.table("Huarmaca.txt"); L07$estacion=7
L08<-read.table("La Esperanza.txt"); L08$estacion=8
L09<-read.table("Lancones.txt"); L09$estacion=9
L10<-read.table("Mallares.txt"); L10$estacion=10
L11<-read.table("Miraflores.txt"); L11$estacion=11
L12<-read.table("Morropon.txt"); L12$estacion=12
L13<-read.table("Pananga.txt"); L13$estacion=13
L14<-read.table("Porculla.txt"); L14$estacion=14
L15<-read.table("San Miguel.txt"); L15$estacion=15
L16<-read.table("San Pedro.txt"); L16$estacion=16
L17<-read.table("Sapillica.txt"); L17$estacion=17
L18<-read.table("Sausal de Culucan.txt"); L18$estacion=18
L19<-read.table("Sondorillo.txt"); L19$estacion=19
L20<-read.table("Tuluce.txt"); L20$estacion=201.2 Integración y Limpieza de datos
data_anio=function(anio){
R01<-L01[(L01[,1]==anio),]
R02<-L02[(L02[,1]==anio),]
R03<-L03[(L03[,1]==anio),]
R04<-L04[(L04[,1]==anio),]
R05<-L05[(L05[,1]==anio),]
R06<-L06[(L06[,1]==anio),]
R07<-L07[(L07[,1]==anio),]
R08<-L08[(L08[,1]==anio),]
R09<-L09[(L09[,1]==anio),]
R10<-L10[(L10[,1]==anio),]
R11<-L11[(L11[,1]==anio),]
R12<-L12[(L12[,1]==anio),]
R13<-L13[(L13[,1]==anio),]
R14<-L14[(L14[,1]==anio),]
R15<-L15[(L15[,1]==anio),]
R16<-L16[(L16[,1]==anio),]
R17<-L17[(L17[,1]==anio),]
R18<-L18[(L18[,1]==anio),]
R19<-L19[(L19[,1]==anio),]
R20<-L20[(L20[,1]==anio),]
# Juntando estaciones
RR<-rbind(R01,R02,R03,R04,R05,R06,R07,R08,R09,R10,
R11,R12,R13,R14,R15,R16,R17,R18,R19,R20)
# Precipitacion ausente 0 negativo poner cero de precipitacion
z<-is.na(RR[,4])
RR[z,4]<-0
x<-RR[,4]<0
RR[x,4]<-0
# Acumular la precipitacion por meses
TR<-agricolae::tapply.stat(RR[,4],RR[,c(7)],sum)
piura <- read.csv("Piura.csv",sep = ",",header = T)
piura$precipitacion<-TR[,2]
return(piura)
}1.3 Librerias necesarias
library(raster)
library(sf)
library(sp)
library(spdep)
library(gstat)
library(rgdal)
library(reshape2)
library(ggplot2)
library(RColorBrewer)2. Interpolación
1982 - Fenómeno del Niño
AÑO=1982
region=data_anio(AÑO)
ys=region$latitud;xs=region$longitud;estaciones=region$localidad # Se guardan las latitudes, longitudes y nombres de estaciones en una variable
coordinates(region)<- ~longitud + latitud
head(region) orden localidad altitud precipitacion
1 1 Ayabaca 2648 1261.21
2 2 Bernal 11 2.29
3 3 Chulucanas 89 118.61
4 4 Chusis 8 5.90
5 5 Hacienda Bigote 198 298.12
6 6 Hacienda Sumaya 1975 592.30#DEPARTAMENTOS.shp contiene las siluetas de cada departamento del Perú
peru <- st_read("DEPARTAMENTOS.shp")[0] #st_read permite la lectura de archivos en formato shapefile (shp)Reading layer `DEPARTAMENTOS' from data source
`C:\Users\Alejandro\Desktop\GED\20190310-Salvador-Piura\DEPARTAMENTOS.shp'
using driver `ESRI Shapefile'
Simple feature collection with 25 features and 79 fields
Geometry type: MULTIPOLYGON
Dimension: XY
Bounding box: xmin: -81.32823 ymin: -18.35093 xmax: -68.65228 ymax: -0.03860597
CRS: NApiura<-peru[20,1] #Silueta de Piura
plot(piura) #Grafica de la silueta de piura
axis(1) #Eje x
axis(2) #Eje y
e<-extent(piura) # se toman los valores minimo y maximo de las coordenadas
grd<-expand.grid(x=seq(from=e[1],to=e[2],by=0.01), y=seq(from=e[3],to=e[4],by=0.01)) #expand.grid crea un dataframe de puntos (malla rectangular), se ingresa como parametros los valores extremos ya calculados con un intervalo entre punto y punto de 0.01
coordinates(grd)<- ~x + y #Formato de coordenadas
gridded(grd)<- TRUE # Explica que los datos espaciales estan cuadriculados
crs(grd)<-crs(shapefile)
nuevo<-idw(precipitacion/12 ~ 1, region,grd) # se generan los valores en funcion de la precipitación para cada punto creado[inverse distance weighted interpolation]nuevo<-raster(nuevo) # se crea objetos de tipo raster que representan información geoespacial en forma de una cuadrícula regular.
nuevo1<-raster::mask(nuevo,piura) #mask crea una mascara en función a las coordenadas de la malla nueva y la silueta
plot(nuevo1) # Grafico de interpolación de precipitación de la región Piura
contour(nuevo1,add=TRUE,axes=FALSE) # se dibuja el contorno según la precipitación
text(xs,ys,estaciones,col="blue",cex=0.5) # Se grafican las estaciones de acuerdo a sus posiciones (longitud, latitud)
image(nuevo1) # Grafico de interpolación de precipitación de la región Piura usando image
contour(nuevo1,add=TRUE,axes=FALSE) # se dibuja el contorno según la precipitación
text(xs,ys,estaciones,col="blue",cex=0.5) # Se grafican las estaciones de acuerdo a sus posiciones (longitud, latitud)
# Imagen generada con ggplot
ppt.df<-as.data.frame(nuevo1,xy=TRUE) %>%
melt(id.vars=c("x","y"))
# color en gradiente
ggplot()+
geom_raster(data=ppt.df, aes(x=x,y=y, fill=value))+
facet_wrap(~variable)+
labs(x="longitud",y="latitud")+
scale_fill_viridis_c(option = "B", direction = -1,
breaks = c(20, 40, 60, 80, 100),
labels = c(" 20 mm", " 40 mm", " 60 mm", " 80 mm", " 100 mm"),
name = "Precipitación\nMensual, Año 1982")+
ggtitle("Precipitación en Piura-Peru") +
geom_text(aes(x = xs, y = ys, label = estaciones), size=2.5, color = "blue") +
theme_classic()
1983 - Fenómeno del Niño
AÑO=1983
region=data_anio(AÑO)
ys=region$latitud;xs=region$longitud;estaciones=region$localidad
coordinates(region)<- ~longitud + latitud
head(region) orden localidad altitud precipitacion
1 1 Ayabaca 2648 2462.24
2 2 Bernal 11 174.60
3 3 Chulucanas 89 4137.90
4 4 Chusis 8 604.00
5 5 Hacienda Bigote 198 1753.02
6 6 Hacienda Sumaya 1975 998.50peru <- st_read("DEPARTAMENTOS.shp")[0]Reading layer `DEPARTAMENTOS' from data source
`C:\Users\Alejandro\Desktop\GED\20190310-Salvador-Piura\DEPARTAMENTOS.shp'
using driver `ESRI Shapefile'
Simple feature collection with 25 features and 79 fields
Geometry type: MULTIPOLYGON
Dimension: XY
Bounding box: xmin: -81.32823 ymin: -18.35093 xmax: -68.65228 ymax: -0.03860597
CRS: NApiura<-peru[20,1]
plot(piura)
axis(1)
axis(2)
e<-extent(piura)
grd<-expand.grid(x=seq(from=e[1],to=e[2],by=0.01), y=seq(from=e[3],to=e[4],by=0.01)) # by es la distancia
coordinates(grd)<- ~x + y
gridded(grd)<- TRUE
crs(grd)<-crs(shapefile)
nuevo<-idw(precipitacion/12 ~ 1, region,grd)[inverse distance weighted interpolation]nuevo<-raster(nuevo)
nuevo1<-raster::mask(nuevo,piura)
plot(nuevo1)
contour(nuevo1,add=TRUE,axes=FALSE)
text(xs,ys,estaciones,col="blue",cex=0.5)
image(nuevo1)
contour(nuevo1,add=TRUE,axes=FALSE)
text(xs,ys,estaciones,col="blue",cex=0.5)
# Imagen generada con ggplot
ppt.df<-as.data.frame(nuevo1,xy=TRUE) %>%
melt(id.vars=c("x","y"))
# color en gradiente
ggplot()+
geom_raster(data=ppt.df, aes(x=x,y=y, fill=value))+
facet_wrap(~variable)+
labs(x="longitud",y="latitud")+
scale_fill_viridis_c(option = "B", direction = -1,
breaks = c(50, 100, 150, 200, 250, 300),
labels = c(" 50 mm", " 100 mm", " 150 mm", " 200 mm", " 250 mm", " 300 mm"),
name = "Precipitación\nMensual, Año 1983")+
ggtitle("Precipitación en Piura-Peru") +
geom_text(aes(x = xs, y = ys, label = estaciones), size=2.5, color = "blue") +
theme_classic()
1990 - Sequía
AÑO=1990
region=data_anio(AÑO)
ys=region$latitud;xs=region$longitud;estaciones=region$localidad
coordinates(region)<- ~longitud + latitud
head(region) orden localidad altitud precipitacion
1 1 Ayabaca 2648 1087.22
2 2 Bernal 11 4.70
3 3 Chulucanas 89 41.00
4 4 Chusis 8 1.20
5 5 Hacienda Bigote 198 60.29
6 6 Hacienda Sumaya 1975 863.10peru <- st_read("DEPARTAMENTOS.shp")[0]Reading layer `DEPARTAMENTOS' from data source
`C:\Users\Alejandro\Desktop\GED\20190310-Salvador-Piura\DEPARTAMENTOS.shp'
using driver `ESRI Shapefile'
Simple feature collection with 25 features and 79 fields
Geometry type: MULTIPOLYGON
Dimension: XY
Bounding box: xmin: -81.32823 ymin: -18.35093 xmax: -68.65228 ymax: -0.03860597
CRS: NApiura<-peru[20,1]
plot(piura)
axis(1)
axis(2)
e<-extent(piura)
grd<-expand.grid(x=seq(from=e[1],to=e[2],by=0.01), y=seq(from=e[3],to=e[4],by=0.01)) # by es la distancia
coordinates(grd)<- ~x + y
gridded(grd)<- TRUE
crs(grd)<-crs(shapefile)
nuevo<-idw(precipitacion/12 ~ 1, region,grd)[inverse distance weighted interpolation]nuevo<-raster(nuevo)
nuevo1<-raster::mask(nuevo,piura)
plot(nuevo1)
contour(nuevo1,add=TRUE,axes=FALSE)
text(xs,ys,estaciones,col="blue",cex=0.5)
image(nuevo1)
contour(nuevo1,add=TRUE,axes=FALSE)
text(xs,ys,estaciones,col="blue",cex=0.5)
# Imagen generada con ggplot
ppt.df<-as.data.frame(nuevo1,xy=TRUE) %>%
melt(id.vars=c("x","y"))
# color en gradiente
ggplot()+
geom_raster(data=ppt.df, aes(x=x,y=y, fill=value))+
facet_wrap(~variable)+
labs(x="longitud",y="latitud")+
scale_fill_viridis_c(option = "B", direction = -1,
breaks = c(20,40,60,80),
labels = c(" 20 mm", " 40 mm", " 60 mm", " 80 mm"),
name = "Precipitación\nMensual, Año 1990")+
ggtitle("Precipitación en Piura-Peru") +
geom_text(aes(x = xs, y = ys, label = estaciones), size=2.5, color = "blue") +
theme_classic()
1991 - Sequía
AÑO=1991
region=data_anio(AÑO)
ys=region$latitud;xs=region$longitud;estaciones=region$localidad
coordinates(region)<- ~longitud + latitud
head(region) orden localidad altitud precipitacion
1 1 Ayabaca 2648 977.80
2 2 Bernal 11 13.30
3 3 Chulucanas 89 0.00
4 4 Chusis 8 0.80
5 5 Hacienda Bigote 198 111.51
6 6 Hacienda Sumaya 1975 489.00peru <- st_read("DEPARTAMENTOS.shp")[0]Reading layer `DEPARTAMENTOS' from data source
`C:\Users\Alejandro\Desktop\GED\20190310-Salvador-Piura\DEPARTAMENTOS.shp'
using driver `ESRI Shapefile'
Simple feature collection with 25 features and 79 fields
Geometry type: MULTIPOLYGON
Dimension: XY
Bounding box: xmin: -81.32823 ymin: -18.35093 xmax: -68.65228 ymax: -0.03860597
CRS: NApiura<-peru[20,1]
plot(piura)
axis(1)
axis(2)
e<-extent(piura)
grd<-expand.grid(x=seq(from=e[1],to=e[2],by=0.01), y=seq(from=e[3],to=e[4],by=0.01)) # by es la distancia
coordinates(grd)<- ~x + y
gridded(grd)<- TRUE
crs(grd)<-crs(shapefile)
nuevo<-idw(precipitacion/12 ~ 1, region,grd)[inverse distance weighted interpolation]nuevo<-raster(nuevo)
nuevo1<-raster::mask(nuevo,piura)
plot(nuevo1)
contour(nuevo1,add=TRUE,axes=FALSE)
text(xs,ys,estaciones,col="blue",cex=0.5)
image(nuevo1)
contour(nuevo1,add=TRUE,axes=FALSE)
text(xs,ys,estaciones,col="blue",cex=0.5)
# Imagen generada con ggplot
ppt.df<-as.data.frame(nuevo1,xy=TRUE) %>%
melt(id.vars=c("x","y"))
# color en gradiente
ggplot()+
geom_raster(data=ppt.df, aes(x=x,y=y, fill=value))+
facet_wrap(~variable)+
labs(x="longitud",y="latitud")+
scale_fill_viridis_c(option = "B", direction = -1,
breaks = c(20,40,60,80),
labels = c(" 20 mm", " 40 mm", " 60 mm", " 80 mm"),
name = "Precipitación\nMensual, Año 1991")+
ggtitle("Precipitación en Piura-Peru") +
geom_text(aes(x = xs, y = ys, label = estaciones), size=2.5, color = "blue") +
theme_classic()
1993 - Sequía
AÑO=1993
region=data_anio(AÑO)
ys=region$latitud;xs=region$longitud;estaciones=region$localidad
coordinates(region)<- ~longitud + latitud
head(region) orden localidad altitud precipitacion
1 1 Ayabaca 2648 1473.90
2 2 Bernal 11 22.10
3 3 Chulucanas 89 0.00
4 4 Chusis 8 0.00
5 5 Hacienda Bigote 198 786.13
6 6 Hacienda Sumaya 1975 1206.20peru <- st_read("DEPARTAMENTOS.shp")[0]Reading layer `DEPARTAMENTOS' from data source
`C:\Users\Alejandro\Desktop\GED\20190310-Salvador-Piura\DEPARTAMENTOS.shp'
using driver `ESRI Shapefile'
Simple feature collection with 25 features and 79 fields
Geometry type: MULTIPOLYGON
Dimension: XY
Bounding box: xmin: -81.32823 ymin: -18.35093 xmax: -68.65228 ymax: -0.03860597
CRS: NApiura<-peru[20,1]
plot(piura)
axis(1)
axis(2)
e<-extent(piura)
grd<-expand.grid(x=seq(from=e[1],to=e[2],by=0.01), y=seq(from=e[3],to=e[4],by=0.01)) # by es la distancia
coordinates(grd)<- ~x + y
gridded(grd)<- TRUE
crs(grd)<-crs(shapefile)
nuevo<-idw(precipitacion/12 ~ 1, region,grd)[inverse distance weighted interpolation]nuevo<-raster(nuevo)
nuevo1<-raster::mask(nuevo,piura)
plot(nuevo1)
contour(nuevo1,add=TRUE,axes=FALSE)
text(xs,ys,estaciones,col="blue",cex=0.5)
image(nuevo1)
contour(nuevo1,add=TRUE,axes=FALSE)
text(xs,ys,estaciones,col="blue",cex=0.5)
# Imagen generada con ggplot
ppt.df<-as.data.frame(nuevo1,xy=TRUE) %>%
melt(id.vars=c("x","y"))
# color en gradiente
ggplot()+
geom_raster(data=ppt.df, aes(x=x,y=y, fill=value))+
facet_wrap(~variable)+
labs(x="longitud",y="latitud")+
scale_fill_viridis_c(option = "B", direction = -1,
breaks = c(50,100,150),
labels = c(" 50 mm", " 100 mm", " 150 mm"),
name = "Precipitación\nMensual, Año 1993")+
ggtitle("Precipitación en Piura-Peru") +
geom_text(aes(x = xs, y = ys, label = estaciones), size=2.5, color = "blue") +
theme_classic()
1994 - Sequía
AÑO=1994
region=data_anio(AÑO)
ys=region$latitud;xs=region$longitud;estaciones=region$localidad
coordinates(region)<- ~longitud + latitud
head(region) orden localidad altitud precipitacion
1 1 Ayabaca 2648 216.00
2 2 Bernal 11 34.81
3 3 Chulucanas 89 0.00
4 4 Chusis 8 14.30
5 5 Hacienda Bigote 198 701.70
6 6 Hacienda Sumaya 1975 1340.80peru <- st_read("DEPARTAMENTOS.shp")[0]Reading layer `DEPARTAMENTOS' from data source
`C:\Users\Alejandro\Desktop\GED\20190310-Salvador-Piura\DEPARTAMENTOS.shp'
using driver `ESRI Shapefile'
Simple feature collection with 25 features and 79 fields
Geometry type: MULTIPOLYGON
Dimension: XY
Bounding box: xmin: -81.32823 ymin: -18.35093 xmax: -68.65228 ymax: -0.03860597
CRS: NApiura<-peru[20,1]
plot(piura)
axis(1)
axis(2)
e<-extent(piura)
grd<-expand.grid(x=seq(from=e[1],to=e[2],by=0.01), y=seq(from=e[3],to=e[4],by=0.01)) # by es la distancia
coordinates(grd)<- ~x + y
gridded(grd)<- TRUE
crs(grd)<-crs(shapefile)
nuevo<-idw(precipitacion/12 ~ 1, region,grd)[inverse distance weighted interpolation]nuevo<-raster(nuevo)
nuevo1<-raster::mask(nuevo,piura)
plot(nuevo1)
contour(nuevo1,add=TRUE,axes=FALSE)
text(xs,ys,estaciones,col="blue",cex=0.5)
image(nuevo1)
contour(nuevo1,add=TRUE,axes=FALSE)
text(xs,ys,estaciones,col="blue",cex=0.5)
# Imagen generada con ggplot
ppt.df<-as.data.frame(nuevo1,xy=TRUE) %>%
melt(id.vars=c("x","y"))
# color en gradiente
ggplot()+
geom_raster(data=ppt.df, aes(x=x,y=y, fill=value))+
facet_wrap(~variable)+
labs(x="longitud",y="latitud")+
scale_fill_viridis_c(option = "B", direction = -1,
breaks = c(20,40,60,80,100,120),
labels = c(" 20 mm", " 40 mm", " 60 mm", " 80 mm", " 100 mm", " 120 mm"),
name = "Precipitación\nMensual, Año 1994")+
ggtitle("Precipitación en Piura-Peru") +
geom_text(aes(x = xs, y = ys, label = estaciones), size=2.5, color = "blue") +
theme_classic()
1995- Sequía
AÑO=1995
region=data_anio(AÑO)
ys=region$latitud;xs=region$longitud;estaciones=region$localidad
coordinates(region)<- ~longitud + latitud
head(region) orden localidad altitud precipitacion
1 1 Ayabaca 2648 959.80
2 2 Bernal 11 13.85
3 3 Chulucanas 89 0.00
4 4 Chusis 8 10.90
5 5 Hacienda Bigote 198 247.14
6 6 Hacienda Sumaya 1975 710.00peru <- st_read("DEPARTAMENTOS.shp")[0]Reading layer `DEPARTAMENTOS' from data source
`C:\Users\Alejandro\Desktop\GED\20190310-Salvador-Piura\DEPARTAMENTOS.shp'
using driver `ESRI Shapefile'
Simple feature collection with 25 features and 79 fields
Geometry type: MULTIPOLYGON
Dimension: XY
Bounding box: xmin: -81.32823 ymin: -18.35093 xmax: -68.65228 ymax: -0.03860597
CRS: NApiura<-peru[20,1]
plot(piura)
axis(1)
axis(2)
e<-extent(piura)
grd<-expand.grid(x=seq(from=e[1],to=e[2],by=0.01), y=seq(from=e[3],to=e[4],by=0.01)) # by es la distancia
coordinates(grd)<- ~x + y
gridded(grd)<- TRUE
crs(grd)<-crs(shapefile)
nuevo<-idw(precipitacion/12 ~ 1, region,grd)[inverse distance weighted interpolation]nuevo<-raster(nuevo)
nuevo1<-raster::mask(nuevo,piura)
plot(nuevo1)
contour(nuevo1,add=TRUE,axes=FALSE)
text(xs,ys,estaciones,col="blue",cex=0.5)
image(nuevo1)
contour(nuevo1,add=TRUE,axes=FALSE)
text(xs,ys,estaciones,col="blue",cex=0.5)
# Imagen generada con ggplot
ppt.df<-as.data.frame(nuevo1,xy=TRUE) %>%
melt(id.vars=c("x","y"))
# color en gradiente
ggplot()+
geom_raster(data=ppt.df, aes(x=x,y=y, fill=value))+
facet_wrap(~variable)+
labs(x="longitud",y="latitud")+
scale_fill_viridis_c(option = "B", direction = -1,
breaks = c(20,40,60),
labels = c(" 20 mm", " 40 mm", " 60 mm"),
name = "Precipitación\nMensual, Año 1995")+
ggtitle("Precipitación en Piura-Peru") +
geom_text(aes(x = xs, y = ys, label = estaciones), size=2.5, color = "blue") +
theme_classic()
1996 - Sequía
AÑO=1996
region=data_anio(AÑO)
ys=region$latitud;xs=region$longitud;estaciones=region$localidad
coordinates(region)<- ~longitud + latitud
head(region) orden localidad altitud precipitacion
1 1 Ayabaca 2648 816.70
2 2 Bernal 11 5.53
3 3 Chulucanas 89 0.00
4 4 Chusis 8 3.80
5 5 Hacienda Bigote 198 77.58
6 6 Hacienda Sumaya 1975 753.60peru <- st_read("DEPARTAMENTOS.shp")[0]Reading layer `DEPARTAMENTOS' from data source
`C:\Users\Alejandro\Desktop\GED\20190310-Salvador-Piura\DEPARTAMENTOS.shp'
using driver `ESRI Shapefile'
Simple feature collection with 25 features and 79 fields
Geometry type: MULTIPOLYGON
Dimension: XY
Bounding box: xmin: -81.32823 ymin: -18.35093 xmax: -68.65228 ymax: -0.03860597
CRS: NApiura<-peru[20,1]
plot(piura)
axis(1)
axis(2)
e<-extent(piura)
grd<-expand.grid(x=seq(from=e[1],to=e[2],by=0.01), y=seq(from=e[3],to=e[4],by=0.01)) # by es la distancia
coordinates(grd)<- ~x + y
gridded(grd)<- TRUE
crs(grd)<-crs(shapefile)
nuevo<-idw(precipitacion/12 ~ 1, region,grd)[inverse distance weighted interpolation]nuevo<-raster(nuevo)
nuevo1<-raster::mask(nuevo,piura)
plot(nuevo1)
contour(nuevo1,add=TRUE,axes=FALSE)
text(xs,ys,estaciones,col="blue",cex=0.5)
image(nuevo1)
contour(nuevo1,add=TRUE,axes=FALSE)
text(xs,ys,estaciones,col="blue",cex=0.5)
# Imagen generada con ggplot
ppt.df<-as.data.frame(nuevo1,xy=TRUE) %>%
melt(id.vars=c("x","y"))
# color en gradiente
ggplot()+
geom_raster(data=ppt.df, aes(x=x,y=y, fill=value))+
facet_wrap(~variable)+
labs(x="longitud",y="latitud")+
scale_fill_viridis_c(option = "B", direction = -1,
breaks = c(10,20,30,40,50,60),
labels = c(" 10 mm"," 20 mm"," 30 mm", " 40 mm"," 50 mm", " 60 mm"),
name = "Precipitación\nMensual, Año 1996")+
ggtitle("Precipitación en Piura-Peru") +
geom_text(aes(x = xs, y = ys, label = estaciones), size=2.5, color = "blue") +
theme_classic()
1997 - Fenómeno del Niño
AÑO=1997
region=data_anio(AÑO)
ys=region$latitud;xs=region$longitud;estaciones=region$localidad
coordinates(region)<- ~longitud + latitud
head(region) orden localidad altitud precipitacion
1 1 Ayabaca 2648 1223.00
2 2 Bernal 11 54.63
3 3 Chulucanas 89 142.33
4 4 Chusis 8 55.70
5 5 Hacienda Bigote 198 407.50
6 6 Hacienda Sumaya 1975 789.70peru <- st_read("DEPARTAMENTOS.shp")[0]Reading layer `DEPARTAMENTOS' from data source
`C:\Users\Alejandro\Desktop\GED\20190310-Salvador-Piura\DEPARTAMENTOS.shp'
using driver `ESRI Shapefile'
Simple feature collection with 25 features and 79 fields
Geometry type: MULTIPOLYGON
Dimension: XY
Bounding box: xmin: -81.32823 ymin: -18.35093 xmax: -68.65228 ymax: -0.03860597
CRS: NApiura<-peru[20,1]
plot(piura)
axis(1)
axis(2)
e<-extent(piura)
grd<-expand.grid(x=seq(from=e[1],to=e[2],by=0.01), y=seq(from=e[3],to=e[4],by=0.01)) # by es la distancia
coordinates(grd)<- ~x + y
gridded(grd)<- TRUE
crs(grd)<-crs(shapefile)
nuevo<-idw(precipitacion/12 ~ 1, region,grd)[inverse distance weighted interpolation]nuevo<-raster(nuevo)
nuevo1<-raster::mask(nuevo,piura)
plot(nuevo1)
contour(nuevo1,add=TRUE,axes=FALSE)
text(xs,ys,estaciones,col="blue",cex=0.5)
image(nuevo1)
contour(nuevo1,add=TRUE,axes=FALSE)
text(xs,ys,estaciones,col="blue",cex=0.5)
# Imagen generada con ggplot
ppt.df<-as.data.frame(nuevo1,xy=TRUE) %>%
melt(id.vars=c("x","y"))
# color en gradiente
ggplot()+
geom_raster(data=ppt.df, aes(x=x,y=y, fill=value))+
facet_wrap(~variable)+
labs(x="longitud",y="latitud")+
scale_fill_viridis_c(option = "B", direction = -1,
breaks = c(20, 40, 60, 80, 100),
labels = c(" 20 mm", " 40 mm", " 60 mm", " 80 mm", " 100 mm"),
name = "Precipitación\nMensual, Año 1997")+
ggtitle("Precipitación en Piura-Peru") +
geom_text(aes(x = xs, y = ys, label = estaciones), size=2.5, color = "blue") +
theme_classic()
1998 - Fenómeno del Niño
AÑO=1998
region=data_anio(AÑO)
ys=region$latitud;xs=region$longitud;estaciones=region$localidad
coordinates(region)<- ~longitud + latitud
head(region) orden localidad altitud precipitacion
1 1 Ayabaca 2648 1990.00
2 2 Bernal 11 1200.64
3 3 Chulucanas 89 333.50
4 4 Chusis 8 983.10
5 5 Hacienda Bigote 198 2107.40
6 6 Hacienda Sumaya 1975 1474.10peru <- st_read("DEPARTAMENTOS.shp")[0]Reading layer `DEPARTAMENTOS' from data source
`C:\Users\Alejandro\Desktop\GED\20190310-Salvador-Piura\DEPARTAMENTOS.shp'
using driver `ESRI Shapefile'
Simple feature collection with 25 features and 79 fields
Geometry type: MULTIPOLYGON
Dimension: XY
Bounding box: xmin: -81.32823 ymin: -18.35093 xmax: -68.65228 ymax: -0.03860597
CRS: NApiura<-peru[20,1]
plot(piura)
axis(1)
axis(2)
e<-extent(piura)
grd<-expand.grid(x=seq(from=e[1],to=e[2],by=0.01), y=seq(from=e[3],to=e[4],by=0.01)) # by es la distancia
coordinates(grd)<- ~x + y
gridded(grd)<- TRUE
crs(grd)<-crs(shapefile)
nuevo<-idw(precipitacion/12 ~ 1, region,grd)[inverse distance weighted interpolation]nuevo<-raster(nuevo)
nuevo1<-raster::mask(nuevo,piura)
plot(nuevo1)
contour(nuevo1,add=TRUE,axes=FALSE)
text(xs,ys,estaciones,col="blue",cex=0.5)
image(nuevo1)
contour(nuevo1,add=TRUE,axes=FALSE)
text(xs,ys,estaciones,col="blue",cex=0.5)
# Imagen generada con ggplot
ppt.df<-as.data.frame(nuevo1,xy=TRUE) %>%
melt(id.vars=c("x","y"))
# color en gradiente
ggplot()+
geom_raster(data=ppt.df, aes(x=x,y=y, fill=value))+
facet_wrap(~variable)+
labs(x="longitud",y="latitud")+
scale_fill_viridis_c(option = "B", direction = -1,
breaks = c(50, 100, 150, 200, 250),
labels = c(" 50 mm", " 100 mm", " 150 mm", " 200 mm", " 250 mm"),
name = "Precipitación\nMensual, Año 1998")+
ggtitle("Precipitación en Piura-Peru") +
geom_text(aes(x = xs, y = ys, label = estaciones), size=2.5, color = "blue") +
theme_classic()
1999 - Fenómeno de la Niña
AÑO=1999
region=data_anio(AÑO)
ys=region$latitud;xs=region$longitud;estaciones=region$localidad
coordinates(region)<- ~longitud + latitud
head(region) orden localidad altitud precipitacion
1 1 Ayabaca 2648 2103.00
2 2 Bernal 11 71.26
3 3 Chulucanas 89 431.23
4 4 Chusis 8 48.20
5 5 Hacienda Bigote 198 845.10
6 6 Hacienda Sumaya 1975 1862.50peru <- st_read("DEPARTAMENTOS.shp")[0]Reading layer `DEPARTAMENTOS' from data source
`C:\Users\Alejandro\Desktop\GED\20190310-Salvador-Piura\DEPARTAMENTOS.shp'
using driver `ESRI Shapefile'
Simple feature collection with 25 features and 79 fields
Geometry type: MULTIPOLYGON
Dimension: XY
Bounding box: xmin: -81.32823 ymin: -18.35093 xmax: -68.65228 ymax: -0.03860597
CRS: NApiura<-peru[20,1]
plot(piura)
axis(1)
axis(2)
e<-extent(piura)
grd<-expand.grid(x=seq(from=e[1],to=e[2],by=0.01), y=seq(from=e[3],to=e[4],by=0.01)) # by es la distancia
coordinates(grd)<- ~x + y
gridded(grd)<- TRUE
crs(grd)<-crs(shapefile)
nuevo<-idw(precipitacion/12 ~ 1, region,grd)[inverse distance weighted interpolation]nuevo<-raster(nuevo)
nuevo1<-raster::mask(nuevo,piura)
plot(nuevo1)
contour(nuevo1,add=TRUE,axes=FALSE)
text(xs,ys,estaciones,col="blue",cex=0.5)
image(nuevo1)
contour(nuevo1,add=TRUE,axes=FALSE)
text(xs,ys,estaciones,col="blue",cex=0.5)
# Imagen generada con ggplot
ppt.df<-as.data.frame(nuevo1,xy=TRUE) %>%
melt(id.vars=c("x","y"))
# color en gradiente
ggplot()+
geom_raster(data=ppt.df, aes(x=x,y=y, fill=value))+
facet_wrap(~variable)+
labs(x="longitud",y="latitud")+
scale_fill_viridis_c(option = "B", direction = -1,
breaks = c(50, 100, 150),
labels = c(" 50 mm", " 100 mm", " 150 mm"),
name = "Precipitación\nMensual, Año 1999")+
ggtitle("Precipitación en Piura-Peru") +
geom_text(aes(x = xs, y = ys, label = estaciones), size=2.5, color = "blue") +
theme_classic()
2000 - Fenómeno de la Niña
AÑO=2000
region=data_anio(AÑO)
ys=region$latitud;xs=region$longitud;estaciones=region$localidad
coordinates(region)<- ~longitud + latitud
head(region) orden localidad altitud precipitacion
1 1 Ayabaca 2648 1599.43
2 2 Bernal 11 16.09
3 3 Chulucanas 89 287.91
4 4 Chusis 8 26.70
5 5 Hacienda Bigote 198 818.40
6 6 Hacienda Sumaya 1975 1599.20peru <- st_read("DEPARTAMENTOS.shp")[0]Reading layer `DEPARTAMENTOS' from data source
`C:\Users\Alejandro\Desktop\GED\20190310-Salvador-Piura\DEPARTAMENTOS.shp'
using driver `ESRI Shapefile'
Simple feature collection with 25 features and 79 fields
Geometry type: MULTIPOLYGON
Dimension: XY
Bounding box: xmin: -81.32823 ymin: -18.35093 xmax: -68.65228 ymax: -0.03860597
CRS: NApiura<-peru[20,1]
plot(piura)
axis(1)
axis(2)
e<-extent(piura)
grd<-expand.grid(x=seq(from=e[1],to=e[2],by=0.01), y=seq(from=e[3],to=e[4],by=0.01)) # by es la distancia
coordinates(grd)<- ~x + y
gridded(grd)<- TRUE
crs(grd)<-crs(shapefile)
nuevo<-idw(precipitacion/12 ~ 1, region,grd)[inverse distance weighted interpolation]nuevo<-raster(nuevo)
nuevo1<-raster::mask(nuevo,piura)
plot(nuevo1)
contour(nuevo1,add=TRUE,axes=FALSE)
text(xs,ys,estaciones,col="blue",cex=0.5)
image(nuevo1)
contour(nuevo1,add=TRUE,axes=FALSE)
text(xs,ys,estaciones,col="blue",cex=0.5)
# Imagen generada con ggplot
ppt.df<-as.data.frame(nuevo1,xy=TRUE) %>%
melt(id.vars=c("x","y"))
# color en gradiente
ggplot()+
geom_raster(data=ppt.df, aes(x=x,y=y, fill=value))+
facet_wrap(~variable)+
labs(x="longitud",y="latitud")+
scale_fill_viridis_c(option = "B", direction = -1,
breaks = c(20, 40, 60, 80, 100, 120),
labels = c(" 20 mm", " 40 mm", " 60 mm", " 80 mm", " 100 mm", " 120 mm"),
name = "Precipitación\nMensual, Año 2000")+
ggtitle("Precipitación en Piura-Peru") +
geom_text(aes(x = xs, y = ys, label = estaciones), size=2.5, color = "blue") +
theme_classic()